An Analysis of Road Accident Severity Using Machine Learning

Abstract

Road accidents are a significant problem in Thailand, with consistently high rates of incidents and fatalities each year, leading to substantial loss of life and property. This independent study aims to develop a model for analyzing the severity levels of road accidents and to create an information system for road accident analysis. The study utilizes accident data from the Ministry of Transport between 2019 and 2024. The model is developed using machine learning techniques, including Decision Tree, Random Forest, Extreme Gradient Boosting (XGBoost), and Light Gradient Boosting Machine (LightGBM), with enhanced model performance through resampling to address data imbalance. The research findings indicate that the optimized XGBoost model, which includes class weight adjustment for class 1, achieved an accuracy of 85%, precision of 68%, recall of 67%, and an F1-score of 68%. Feature importance analysis using SHapley Additive exPlanations (SHAP) revealed that motorcycle-related accidents had the highest impact on the severity of road accidents. Furthermore, the developed model was integrated into an information system for visualizing road accident data. Evaluation by experts on system quality and satisfaction assessment from general users indicated that the system was rated highly overall. It can be concluded that the developed information system meets user requirements and is beneficial for various applications as needed.

อุบัติเหตุทางถนนเป็นปัญหาที่สำคัญในประเทศไทย ซึ่งมีอัตราการเกิดเหตุและเสียชีวิตที่สูงในทุกปี ทำให้เกิดการสูญเสียต่อชีวิตและทรัพย์สินเป็นจำนวนมาก การค้นคว้าอิสระนี้จึงมีวัตถุประสงค์เพื่อพัฒนาแบบจำลองวิเคราะห์ระดับความรุนแรงของอุบัติเหตุทางถนน และพัฒนาระบบสารสนเทศสำหรับวิเคราะห์อุบัติเหตุทางถนน ซึ่งใช้ชุดข้อมูลอุบัติเหตุของกระทรวงคมนาคม ตั้งแต่ปี พ.ศ. 2562 - 2567 ทำการพัฒนาแบบจำลองโดยประยุกต์ใช้การเรียนรู้ของเครื่อง ได้แก่ ต้นไม้สินใจ (Decision Tree) ป่าสุ่ม (Random Forest) เอ็กซ์ ตรีม เกรเดียนต์ บูสติ้ง (Extreme Gradient Boosting: XGBoost) และไลท์ เกรเดียนต์ บูสติ้ง แมชชีน (Light Gradient Boosting Machine: LightGBM) และทำการเพิ่มประสิทธิภาพแบบจำลองโดยเพิ่มข้อมูลที่ไม่สมดุล (Resampling) จากผลการวิจัยพบว่าแบบจำลองเอ็กซ์ ตรีม เกรเดียนต์ บูสติ้ง ที่ผ่านการเพิ่มประสิทธิภาพแบบการปรับน้ำหนักของคลาสที่ 1 ให้ค่าความถูกต้อง (Accuracy) 85% ค่าความแม่นยำ (Precision) 68% ค่าความระลึก (Recall) 67% และค่าคะแนนเอฟหนึ่ง (F1-score) 68% ในส่วนการคัดเลือกปัจจัยที่ส่งผลต่อความรุนแรงโดยการใช้ แชปลีย์ แอ็ดดิทีฟเอ็กซ์พลาเนชันส์ (SHapley Additive exPlanations: SHAP) พบว่า ยานพาหนะที่เกิดเหตุประเภทรถมอเตอร์ไซค์ส่งผลต่อระดับความรุนแรงของอุบัติเหตุทางถนนมากที่สุด นอกจากนี้ได้นำแบบจำลองที่พัฒนาขึ้นนำไปต่อยอดพัฒนาระบบสารสนเทศสำหรับการแสดงผลข้อมูลอุบัติเหตุทางถนน โดยจากการประเมินคุณภาพระบบสารสนเทศของผู้เชี่ยวชาญ และการประเมินความพึงพอใจที่มีต่อระบบสารสนเทศของผู้ใช้งานทั่วไป พบว่าภาพรวมอยู่ในระดับมาก ซึ่งสามารถสรุปได้ว่าระบบสารสนเทศที่พัฒนาขึ้นรองรับความต้องการของผู้ใช้งาน และเกิดประโยชน์สามารถนำไปใช้งานในด้านต่าง ๆ ตามความต้องการของผู้ใช้งานได้